UXOFFER1. 环境准备与问题背景
最近在Ubuntu系统上配置RTX 4090显卡运行TensorFlow时遇到了一个典型问题：系统安装了最新的CUDA 13驱动，但TensorFlow 2.13版本需要CUDA 11.x环境。这种版本不兼容的情况在深度学习开发中非常常见，特别是当你需要同时维护多个项目，或者使用一些尚未适配最新CUDA版本的库时。
我使用的是一台搭载RTX 4090显卡的工作站，系统为Ubuntu 22.04 LTS。RTX 4090作为NVIDIA最新的消费级显卡，性能强大但同时也带来了新的兼容性挑战。通过Conda虚拟环境管理不同版本的CUDA和cuDNN，可以很好地解决这个问题，而不会影响系统全局环境。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统环境检查
2.1 显卡驱动验证
首先需要确认系统已正确安装NVIDIA驱动。在终端执行：
bash复制nvidia-smi
这个命令会显示显卡信息和驱动版本。对于RTX 4090，建议使用至少525版本的驱动。输出示例如下：
code复制+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.85.12 Driver Version: 525.85.12 CUDA Version: 12.0 |
+-----------------------------------------------------------------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|===============================+======================+======================|
| 0 NVIDIA GeForce ... Off | 00000000:01:00.0 On | Off |
| 0% 48C P8 28W / 450W | 356MiB / 24564MiB | 0% Default |
+-----------------------------------------------------------------------------+
注意：如果nvidia-smi命令不可用，说明系统未安装NVIDIA驱动。可以通过
ubuntu-drivers devices查看可用驱动，然后使用sudo apt install nvidia-driver-525安装推荐版本。
2.2 CUDA工具包检查
虽然系统可能已经安装了CUDA工